Practica2

Práctica 2: algoritmo de los K vecinos más cercanos
La práctica consiste en implementar el algoritmo de clasificación de los k vecinos más
cercanos, tal y como se ha visto en clase. Se deberáutilizar la siguiente configuración:
•
•
•

Función de distancia: distancia Euclidea
Desempate: la clase más frecuente (de entre las clases empatadas) en el conjunto de
entrenamiento
Normalización delos atributos

Para resolver la práctica se deben crear 3 funciones:
1. Función aprendizaje: recibe como entrada el conjunto de entrenamiento (CE) y
devuelve como salida el clasificador (en estecaso el propio conjunto de
entrenamiento)
[clasificador] = aprendizaje(CE)
2. Función clasificar: recibe como entradas el clasificador aprendido, el conjunto de
ejemplos a clasificar, el valor dek y la forma de votar (mayoría o ponderado por
distancia). Como salida devuelve la matriz de confusión obtenida.
[matConfusion] = clasificar(clasificador, ejemplos, k, tipoVoto)
3. Funciónrendimiento: recibe como entrada la matriz de confusión y devuelve como
salida el porcentaje de ejemplos correctamente clasificados (accuracy rate).
[acc] = rendimiento(matConfusion)
En cada partición sedebe obtener el accuracy tanto para los datos de entrenamiento (CE)
como para los datos de test (CT). Es decir, hay que hacer dos llamadas a clasificar y dos
llamadas a rendimiento[matConfusionTr] = clasificar(clasificador, CE, k, tipoVoto)
[matConfusionTst] = clasificar(clasificador, CT, k, tipoVoto)
[accTr] = rendimiento(matConfusionTr)
[accTst] = rendimiento(matConfusionTst)
Se debenalmacenar los resultados obtenidos en cada partición para todos los datasets. Se
puede utilizar una matriz compuesta por tantas filas como datasets y tantas columnas como
particiones (5). Se debeañadir una última columna en la que se debe mostrar para cada
dataset la media de las 5 particiones.
La matriz obtenida se puede guardar en un fichero Excel mediante la instrucción xlswrite...